RAGFlow

Eine RAG-Engine mit besonders starkem Dokumentenverständnis: zerlegt auch komplexe PDFs mit Tabellen und Layout sauber — für präzise, belegte Antworten.

Für wen: Wer viele oder anspruchsvoll formatierte Dokumente hat und Wert auf genaue Fundstellen legt.

Installation

Per Docker Compose starten (Systemvoraussetzungen und Befehle in der Doku):

git clone https://github.com/infiniflow/ragflow
cd ragflow/docker
docker compose up -d

Danach die Weboberfläche öffnen; lokale Modelle über Ollama einbindbar.

Erste Schritte

Eine Wissensdatenbank anlegen und Dokumente hochladen. RAGFlow zeigt transparent, wie es die Dokumente zerlegt hat — das lässt sich prüfen und anpassen. Anschließend im Chat Fragen stellen; jede Antwort verweist auf die konkrete Textstelle.

Plattformen: Docker

Im Detail

RAGFlow ist eine RAG-Engine (Retrieval-Augmented Generation), die sich auf das Verständnis komplex formatierter Dokumente spezialisiert – etwa PDFs mit Tabellen, mehrspaltigem Layout oder eingebetteten Grafiken. Während viele RAG-Tools Dokumente einfach in Textblöcke zerhacken und dabei Struktur verlieren, parst RAGFlow das Layout und ordnet Antworten konkreten Fundstellen zu. Das macht es besonders geeignet für Nutzer mit vielen oder anspruchsvoll formatierten Unterlagen – etwa Verträge, Berichte oder wissenschaftliche PDFs –, bei denen es auf Genauigkeit und Nachvollziehbarkeit der Quellen ankommt. Betrieb läuft über Docker; der Einrichtungsaufwand ist höher als bei einfacheren RAG-Tools, zahlt sich aber bei komplexen Dokumenten aus.

Praxis-Tipp

Am besten mit einer Tabellen-lastigen PDF testen – etwa eine Finanz- oder Datenblatt-PDF hochladen und gezielt nach einem Wert aus einer Tabelle fragen, um den Vorteil gegenüber einfachen RAG-Tools zu sehen.

Siehe auch

• PrivateGPT
• Onyx (früher Danswer)

Lizenz & Quelle

• Lizenz: Apache-2.0
• Quelle: Website
• Quelle: GitHub